典型时频分析技术在故障诊断中的应用

合集下载

时频分析法在汽车自动变速器故障诊断中的应用

AUTO AFTERMARKET | 汽车后市场时代汽车时频分析法在汽车自动变速器故障诊断中的应用李世云新疆交通职业技术学院新疆乌鲁木齐市 831401摘要：机械故障诊断技术在过去的几十年中取得了迅速的发展，本文介绍了时频域分析在汽车故障诊断技术的应用，阐述了故障诊断技术的发展趋势。

关键词：故障诊断；时频域分析；发展趋势1　引言机械故障诊断主要是研究机械设备在运行过程中动态性能的变化规律及其运行状态的识别方法，诊断是以机械学和信息论为依托，多学科融合的技术，其本质是模式识别（屈梁生）。

通常是通过测取机械设备在运行时或在相对静态条件下的状态信息，对其进行分析，依据被诊断设备之前的历史记录，来判断被测设备的实际技术状况，进而来推断可能存在的故障和设备的技术状态，最终提供有效的维修维护策略。

机械故障诊断技术先后经历了事后维修、定期维修（初步设备诊断技术）、状态维修（设备诊断技术形成）、风险管理（智能化设备诊断技术）等过程，逐步向不解体、高精度、集成化、智能化、网络化、可监控的诊断中心模式的虚拟仪器方向发展，其所使用的傅立叶分析、时域分析、频域分析、小波分析等被广泛的应用于各行各业，尤其是在数字化发展的今天，网络集成化及智能化的水平越来越高，通过诊断中心模式的故障诊断方法具有更高的精确度和优越性。

在如今的汽车领域，电子单元集成化成分越来越多，智能化、网络化水平不断提高，仅靠汽车专业知识是无法满足现代汽车故障诊断工作需求的。

应该说，现代汽车故障诊断技术需要集现代故障诊断理论、先进诊断技术、先进的诊断设备为一体，以专业性、系统性、集成化、智能化的诊断设备和方法为发展趋势，从而促进汽车故障诊断技术的整体发展。

将机械故障诊断技术充分应用与汽车维修领域，对提高汽车性能检测及故障监测和诊断都会起到很大的作用，本论文主要就机械故障诊断技术在汽车自动变速箱中的应用做简要分析，期望取得抛砖引玉的作用。

2　汽车自动变速器故障特点对自动变速器进行故障诊断一直是汽车维修技术研究和发展的难点与重要组成。

时-频分析技术在机械故障诊断中的应用

时-频分析技术在机械故障诊断中的应用Spectra Quest, Inc.8205 Hermitage Road, Richmond, VA 23228, USA(804) 261-3300www.Spectra .cn2006.8摘要：Spectra Quest, Inc.计划出版一系列关于机械故障诊断方面的先进信号处理技术的科技文章。

本文是第一篇时-频分析技术文章。

通常的，从旋转机械得来的声音和振动信号是时变的，因为这些信号与旋转速度强相关，即使在宏稳定状态也不是常量。

最常用的信号处理方法——傅立叶分析只适合于静态信号，因此就需要发展时-频联合分析。

本文主要介绍了线性和二次的时-频分析方法，并对这些算法的特点进行了比较，然后对不同的应用总结了几条选择合适方法的规则。

最后重点介绍了几个关于时-频分析方法在机械故障诊断中成功应用的实例。

1. 引言对科研人员来说，研发期的系统看做一个黑箱。

一般情况下可以通过分析系统的输出信号来获取有用信息。

因此，信号处理技术是提取系统的信息和特征的不可或缺的利器。

最近几十年开发出来很多新的信号技术，其中一部分已经成功应用到了机械故障诊断上。

小波变换，快速傅立叶变换，Gabor展开, 维纳-维尔分布(WVD), 倒频谱、双谱、相关法、高分辨谱估计、统计分析等都是当今研究的热点。

对于特定的问题如何选择合适的方法就变成一个有趣的问题。

Spectra Quest公司准备出版一系列在机械故障诊断中关于高级信号处理技术应用的技术文章。

为了简单一些，不考虑技术背后的理论。

这些技术文档重点放在工业应用上的实例上。

针对每一个技术，都会讨论其优缺点以及应用场合，并对相关技术进行比较。

本文是本系列的第一篇文章，讨论时-频分析方法。

虽然小波分析被认为是时-频的分析方法，但是由于它自身的特点，将在另外一篇文章中讨论。

旋转机械的转速（转/分）不是一个常量，尤其在启动和停止状态时。

即使机器运行在稳定状态下，转速也会在一个稳定值的附近波动，其波动取决于负载和其他因素。

时频域分析在往复压缩机活塞磨损故障诊断中的应用

ｄｍａｎａｄｆｑｅｃｏｉ．ｉａｌｃｍｂｎｎｅａａｙｉｂｔｆｉｎｅｕｎｙｄｍａｎｔｃｉｖｅｏｉｎｒｕｎｙｄｍａｎＦｎｌｅｙ，ｏｉｉｇｔｎｌｓｓｏｈｏｍｅａｄｆｑｅｃｏｉａｈｅｅｔｈｔｒｏｈｐｒｏｅｏｕｔｉｇｏｅｏｉｔｎａｒｓｎＴｉｍｅｈｄｗａｒｖｄｆａｉｌｒｕｈｏ —ｉｘｅｍｅｔＴｅｅ — ｕｐｓｆｆｌｄａｎｓｆｓｏｂａｉ．ｈｓａｐｏｔｏｓｏｅｅｓｂｅｔｏｇｎｓｔｅｐｒｎ．ｈｘｐｈｅｉ
ＴｈｅＡｐｐｉａｉｎｏｍｅａｄＦｒｑｎｙＤｏａｎＡｎａｙｉｌｃｔｏｆＴｉｎｅｕｅｃｍｉｌｓｓＩｓｏｎＰｉｔｎＡｂｒｓｏｕｌａｎｏｉｆＲｅｉｒｃｔｎｍｐｒｓｏａｉｎＦａｔＤｉｇｓｓｏｃｐｏａｉｇＣｏｅｓｒ
１前言
时频域分析方法是故障诊断中常用的方法，也是比较成熟的方法。其它一些故障诊断方法如人工神经网络、支持向量机等一些诊断方法由于其不够
合，证明时频域分析法的可靠性。２诊断方法原理
本文主要采用时域分析法和频域分析法对压缩机的振动信号进行分析。
２１时域分析法．
完善，在诊断性能不够稳定，存应用推广性不够好等特点，在往复压缩机活塞故障诊断中不如时频域分

频域分析在故障诊断和故障处理中的应用研究

频域分析在故障诊断和故障处理中的应用研究1. 引言随着现代工业的高速发展，设备故障诊断和处理变得越来越重要。

频域分析作为一种常用的信号处理方法，在故障诊断和处理领域发挥着重要作用。

本文将探讨频域分析在故障诊断和处理中的应用。

2. 频域分析的基本原理频域分析是将时域信号转化为频域信号的过程。

它通过将时域信号进行傅里叶变换，将其分解为不同频率的成分，从而得到信号的频谱分布。

频域分析可以帮助我们了解信号的频率特性、幅值特性和相位特性。

3. 频域分析在故障诊断中的应用3.1 故障特征频率提取频域分析可以帮助我们提取故障特征频率，从而判断故障的类型。

不同故障类型对应的故障特征频率是不同的，在频域中可以清晰地识别出故障所对应的频率成分，从而精确诊断故障。

3.2 振动信号分析振动信号常常用于故障诊断，频域分析可以帮助我们分析振动信号的频率成分。

通过对振动信号进行频域分析，我们可以分析设备的动态特性、共振现象和振动幅值。

这对于故障诊断和预防很重要。

3.3 声音信号分析声音信号在故障诊断中也是常用的，频域分析可以用于分析声音信号的频谱特性。

不同故障类型会产生不同的声音频谱特征，通过对声音信号进行频域分析，我们可以精确地判断故障类型。

4. 频域分析在故障处理中的应用4.1 滤波处理频域分析可用于滤波处理。

通过分析信号的频率成分，我们可以选择性地滤除不需要的频率成分，从而得到干净的信号，减少噪声干扰，有利于故障处理。

4.2 故障模式识别频域分析可以帮助我们建立故障模式，从而实现故障的自动识别和分类。

通过对正常操作和故障状态下信号的频域特征进行比较和分析，我们可以建立故障模式，从而帮助我们快速准确地识别故障。

4.3 故障预测频域分析可用于故障预测。

通过对设备的频域信号进行长期监测和分析，我们可以检测到设备运行状态的变化并预测可能的故障。

这有助于我们及时采取预防和维护措施，降低停机时间和维修成本。

5. 案例研究为了验证频域分析在故障诊断和处理中的应用，我们进行了一些实际案例的研究。

时频分析在透平压缩机振动故障诊断中的研究与应用

透压缩机三个月连续监测的振动时域、频域波形进
出的振动信号一般都是时间波形。对于有明显特征
的波形，可直接用来对设备故障作出初步判断。例如：出现正弦波表示存在不平衡；出现等距离的尖脉冲是冲击的特征；出现削波表示有摩擦。一般来说，单纯的不平衡其振动波形基本上是正弦式的；单纯的不对中其振动波形比较稳定、光滑，重复性好；转子组件松动及干摩擦产生的振动波形比较毛
ｌ０
时频分析在透平压缩机振动故障诊断中的研究与应用
时频分析在透平压缩机振动故障诊断中的研究与应用
李丹嵩
（七海交通大学机械工程学院）
摘要设备故障诊断近年来已发展成为一门新兴学科。振动故障诊断是常见的应用于透平压缩机的故障诊断方法。针对上海焦化有限公司空气透平压缩机的故障振动信号，提取故障
功。。完整的振动诊断技术应该包括下面四方面：
李卅高，女，１８９３年ｌ１月生，硕上研究生一卜市，２０３海０００
《工装备技术》３化第１卷第６期２１００年
１振动故障诊断
１１振动分析的基本原理．
常见的故障，其信号都是确定性信号，都可以用函
数关系来描述，即通过理论计算和频谱分析技术均
可确定它们的特征频率，从而确定故障的类型和部位。振动分析仪器利用电压加速度传感器将振动信

机械振动信号的时频分析与故障诊断

机械振动信号的时频分析与故障诊断引言机械设备在运行过程中会产生各种振动信号，这些信号可以提供有关设备运行状态和故障信息的重要线索。

因此，机械振动信号的时频分析和故障诊断成为了非常重要的研究领域。

本文将介绍机械振动信号的时频分析原理及其在故障诊断中的应用。

一、机械振动信号的时频分析原理时频分析是一种将信号的时域和频域信息相结合的方法，可以提供更全面的信号特征。

机械振动信号经过传感器采集后，通常以时域形式呈现，即振动信号随时间的变化情况。

时频分析的目的是通过对振动信号进行变换，得到其在时域和频域的分布情况。

现代时频分析方法主要有短时傅里叶变换（Short-Time Fourier Transform, STFT）、小波变换（Wavelet Transform, WT）和经验模态分解（Empirical Mode Decomposition, EMD）等。

其中，STFT是最常用的时频分析方法之一。

它通过对振动信号进行窗函数处理，得到不同时间窗口下的信号频谱。

二、机械振动信号的故障特征机械故障通常会导致设备振动信号的异常变化。

通过对振动信号进行分析，可以提取出不同类型故障特征的频率成分，从而判断设备是否存在故障。

1. 圆频率分析不同故障类型和部位产生的振动信号频率成分不同。

通过分析振动信号中的圆频率分布情况，可以确定可能的故障类型。

以齿轮故障为例，如果有一个或多个齿轮损坏，会引发一定频率的振动信号。

通过时频分析，可以提取出这些圆频率，并与故障模式进行对比。

如果存在匹配的频率成分，那么可以判断设备存在齿轮损坏问题。

2. 能量分布分析振动信号的能量分布也是判断故障的重要特征之一。

故障产生的能量通常会集中在某个频率范围内。

例如，当轴承出现故障时，轴承滚珠与内外圈的接触将产生冲击和撞击，导致能量分布偏向高频区域。

通过对振动信号进行能量分布分析，我们可以发现这种异常，从而判断轴承是否故障。

三、机械振动信号的故障诊断方法机械振动信号的故障诊断方法主要包括模式识别、基于规则的故障诊断和统计分析等。

时频分析方法在轴承故障诊断领域的应用

第42卷第3期2023年5月大连工业大学学报J o u r n a l o fD a l i a nP o l y t e c h n i cU n i v e r s i t yV o l.42N o.3M a y2023收稿日期:2022-05-05.基金项目:河南省高等学校重点科研项目(21B460005).作者简介:刘艳秋(1971-),女,教授.D O I:10.19670/j.c n k i.d l g y d x x b.2023.0311时频分析方法在轴承故障诊断领域的应用刘艳秋1,景来兴1,边军2(1.大连工业大学机械工程与自动化学院,辽宁大连116034;2.中原科技学院,河南郑州450046)摘要:现代信号处理技术在数字信息时代具有巨大的发展潜力,其中时频分析方法发展较快,应用广泛㊂基于小波理论的小波变换㊁小波包分解,再到经验模态分解(E M D)㊁局部均值分解(L M D)㊁本征时间尺度分解(I T D)㊁局部特征尺度分解(L C D)㊁内禀特征尺度分解(I C D)㊁变分模态分解(VM D)等自适应分解方法,先后提出时频分析取得了前所未有的发展㊂本文从方法的提出㊁应用和改进三个方面对近年来时频分析方法的研究进行了总结,对时频分析方法今后的发展方向进行了展望㊂关键词:滚动轴承;时频分析;小波理论;自适应分解;故障诊断中图分类号:T H133文献标志码:A文章编号:1674-1404(2023)03-0219-07A p p l i c a t i o no f t i m e-f r e q u e n c y a n a l y s i sm e t h o d i nb e a r i n g f a u l t d i a g n o s i sL I U Y a n q i u1,J I N G L a i x i n g1,B I A N J u n2(1.S c h o o l o fM e c h a n i c a l E n g i n e e r i n g a n dA u t o m a t i o n,D a l i a nP o l y t e c h n i cU n i v e r s i t y,D a l i a n116034,C h i n a;2.Z h o n g y u a n I n s t i t u t eo f S c i e n c ea n dT e c h n o l o g y,Z h e n g z h o u450046,C h i n a)A b s t r a c t:M o d e r n s i g n a l p r o c e s s i n g t e c h n o l o g y s h o w s g r e a td e v e l o p m e n t p o t e n t i a li nt h e d i g i t a l i n f o r m a t i o na g e,a m o n g w h i c ht i m e-f r e q u e n c y a n a l y s i s m e t h o dd e v e l o p s m o r er a p i d l y a n di sw i d e l y u s e d.F r o m w a v e l e tt r a n s f o r m a n d w a v e l e t p a c k e t d e c o m p o s i t i o n b a s e d o n w a v e l e tt h e o r y,t o e m p i r i c a l m o d e d e c o m p o s i t i o n(E M D),l o c a l m e a n d e c o m p o s i t i o n(L M D),i n t r i n s i c t i m e s c a l e d e c o m p o s i t i o n(I T D),l o c a l c h a r a c t e r-s c a l e d e c o m p o s i t i o n(L C D),i n t r i n s i c c h a r a c t e r-s c a l e d e c o m p o s i t i o n(I C D),v a r i a t i o n a l m o d e d e c o m p o s i t i o n(VM D)a n d o t h e ra d a p t i v e d e c o m p o s i t i o n m e t h o d sh a v e b e e n p r o p o s e d,T i m e-f r e q u e n c y a n a l y s i s h a sa c h i e v e d u n p r e c e d e n t e d d e v e l o p m e n t.B a s e do n t h er e s e a r c ho f t i m e-f r e q u e n c y a n a l y s i sm e t h o d s i nr e c e n t y e a r s,t h e p r o p o s a l,a p p l i c a t i o n a n di m p r o v e m e n t o ft h e m e t h o d s w e r e s u m m a r i z e d,a n d t h e f u t u r e d e v e l o p m e n t d i r e c t i o n o f t i m e-f r e q u e n c y a n a l y s i sm e t h o dw a s p r o s p e c t e d.K e y w o r d s:r o l l i n g b e a r i n g;t i m e-f r e q u e n c y a n a l y s i s;w a v e l e t t h e o r y;a d a p t i v ed e c o m p o s i t i o n;f a u l td i a g n o s i s0引言在旋转机械中,70%的故障与齿轮㊁轴承㊁转子等组件直接有关,其中有30%的故障是由滚动轴承组件引起的[1]㊂轴承故障使机器设备产生过大的振动,从而使机器设备遭受损坏并引发安全事故,造成不可估量的经济损失㊂是否能够准确Copyright©博看网. All Rights Reserved.识别轴承故障类型,特别是能够辨识早期微小故障并及时采取补救措施,对提高设备的使用寿命和安全性具有重要意义,轴承故障诊断成为机械故障研究的重点㊂传统的时域㊁频域分析方法所蕴含的故障信息有限,并且对故障根源的分析和识别的准确性较低,因此不适用早期㊁微小的轴承故障诊断㊂时频分析方法可以将频率和时间结合起来,得到信号频率在各个时间段内的变化情况,从而描述局部故障特征信号,因此在轴承信号的处理中得到了广泛的应用㊂本研究主要介绍了常见的时频分析方法的种类以及这些方法的应用和改进,总结了时频分析方法的不足,对时频分析方法今后进一步的扩展应用及发展进行了展望㊂1常见的时频分析方法常见的时频分析方法主要包括小波变换(w a v e l e t t r a n s f o r m,WT)[2]㊁小波包分解(w a v e-l e t p a c k e t d e c o m p o s i t i o n,W P D)[3]等非自适应分解方法,以及经验模态分解(e m p i r i c a lm o d ed e-c o m p o s i t i o n,E M D)[4]等自适应分解方法㊂在时频分析中㊁W i g n e r-V i l l e分布和短时傅立叶变换方法也经常被使用,但两者在轴承故障诊断中还存在一些不足㊂其中,短时傅立叶变换对于频率分辨率和时间分辨率的精度要求不能同时满足㊂而W i g n e r-V i l l e分布在处理多分量耦合信号时,存在交叉项的干扰,导致时频平面上出现伪影现象,并且W i g n e r-V i l l e分布处理结果在很大程度上会依赖于核函数的选择㊂因此,本研究主要对在轴承故障诊断领域应用最广泛㊁最成熟的小波分析理论和自适应分解理论的时频分析方法发展进行梳理和归纳㊂1.1小波分析理论小波分析理论最早由法国工程师J.M o r l e t 提出,作为数学发展领域的里程碑,该理论在信号处理领域应用十分广泛,尤其是在信号降噪㊁时频分析和滤波等过程中,相对于傅立叶变换更加有优势㊂小波分析理论在轴承故障诊断领域的应用主要包括小波变换和小波包分解两种方法㊂1.1.1小波变换小波变换作为一种多尺度分析工具,继承并完善了短时傅立叶变换的思想,通过借助小波运算函数中平移和伸缩的功能提出的可调窗口,可对原始信息中局部故障信号进行多分辨率的细化分析㊂因此,该方法不但解决了短时傅立叶变换在时间分辨率和频率分辨率上的精度要求,而且具有极强的抗噪能力,广泛应用于处理信噪比较高的轴承振动信号㊂1.1.2小波包分解小波分解只对低频段的频率进行细化分析,而忽视了对高频段频率问题,小波包分解在小波分解的基础上,对高频段的频率也进行了细化分析,并且可以自适应地选取最佳基函数,因此获取的故障信息更完整㊁更准确㊂1.2自适应分解理论当面对高度复杂的非平稳㊁非线性信号时,自适应分解理论具有高度的自适应性,不但不需要任何先前经验和信号表示方式,而且还可以自适应地突出信号局部特征㊂目前,应用在轴承故障诊断领域的自适应方法主要包括经验模态分解㊁局部均值分解㊁本征时间尺度分解㊁局部特征尺度分解㊁内禀特征尺度分解㊁变分模态分解等6种方法㊂1.2.1经验模态分解1998年,N o r d e nE.H u a n g提出了E M D方法,并且与H i l b e r t变换相结合,形成了著名的H i l b e r t-H u a n g变换㊂该方法不需要提前设置基函数,通过对数据本身进行分解,得到蕴含故障信息的本征模态分量(i n t r i n s i cs c a l ec o m p o n e n t, I M F),因此可以自适应分解轴承故障中非线性㊁非平稳的信号㊂1.2.2局部均值分解2005年,S m i t h[5]提出了局部均值分解(l o c a l m e a nd e c o m p o s i t i o n,L M D),该方法在收敛速度㊁信号处理完整性㊁计算效率㊁迭代次数㊁分解精度方面有着更好的优势,并且可以有效抑制过包络㊁欠包络现象的发生㊂1.2.3本征时间尺度分解2007年,F r e i等[6]提出了本征时间尺度分解(i n t r i n s i ct i m e-s c a l ed e c o m p o s i t i o n,I T D),该方法可以有效地抑制端点效应的产生,在分解效率和计算复杂度等方面都有明显的优势,能够有效避免包络误差,适合在线使用,并且有效克服包络和欠包络的弊端㊂1.2.4局部特征尺度分解2012年,程军圣等[7]在充分借鉴E M D㊁I T D 的基础上提出了局部特征尺度分解(l o c a l c h a r a c-t e r i s t i c-s c a l ed e c o m p o s i t i o n,L C D),该方法凭借其优越的算法性能成功避免了包络误差㊁分量失真和端点效应等问题,并且在迭代次数㊁运算流022大连工业大学学报第42卷Copyright©博看网. All Rights Reserved.程上更加简化,可以快速提取出非平稳㊁非线性复杂信号的特征,其分解得到的内禀尺度分量(i n t r i n s i c s c a l e c o m p o n e n t,I S C)可以蕴含更多的故障信息㊂1.2.5内禀特征尺度分解2013年,Z h e n g等[8]借鉴了L M D和I T D的思想,在此基础上提出了内禀特征尺度分解(i n-t r i n s i c c h a r a c t e r-s c a l e d e c o m p o s i t i o n,I C D),并成功将其应用于滚动轴承早期振动信号的分解中,实验证明该方法能够同时结合L M D和I T D两种方法的优点,在提高分解精度的同时提高了计算效率㊂1.2.6变分模态分解2014年,D r a g o m i r e t s k i y等[9]提出了变分模态分解(v a r i a t i o n a lm o d ed e c o m p o s i t i o n,VM D)这一非递归信号分析方法㊂与传统方法相比, VM D可以自适应确定模态分解的个数,数学理论基础更完整,在收敛速度和分解精度方面更优,因此面对轴承故障信号时具有较强的处理能力㊂2时频分析方法的应用与改进时频分析方法在处理非线性㊁非稳定的复杂信号时表现出了强大的能力,非常适合处理轴承的故障信号㊂在其基础上,学者们提出了许多结合与改进方法应用在轴承故障的诊断中㊂2.1小波变换的应用与改进袁建虎等[10]选用连续小波变换(c o n t i n u o u s WT,C WT)获取了轴承故障信号分解的时频图,并与卷积神经网络相结合进行故障诊断,结果表明该方法在故障类型识别上具有较强的泛化能力㊂姜保军等[11]利用小波分解获取信号的样本熵来提取故障特征信息,结果显示该方法可以有效区分出不同类别的样本㊂孙强等[12]基于小波分解改进算法和峭度最大原则对滚动轴承故障诊断进行研究,克服了主频偏移的问题,有效地解决了频率折叠现象和真实频率的映像问题㊂在小波理论基础上,G i l l e s[13]提出了具有完备数学理论的经验小波分解(e m p i r i c a lw a v e l e t d e c o m p o s i t i o n,EWD)方法,通过构建自适应小波函数,提取出不同频率成分,分解结果相对于传统的小波分解更加稳定㊂李志农等[14]将经验小波分解应用在轴承故障诊断中,验证了E WD方法能有效地诊断出轴承故障损伤程度,可以清晰地表示出故障信号的时变特征㊂王大鹏等[15]提出了一种多层经验小波变换(m u l t i-l a y e re m p i r i c a l w a v e l e t t r a n s f o r m,M L E WT)与多指标交叉融合的列车轮对轴承故障诊断研究,通过实验证明了所提方法可以有效提取轴承故障特征信息,诊断效果要优于传统的谱峭度和E WD方法㊂为降低人为因素的影响,左大利[16]提出自适应经验小波分解(a d a p t i v eE WD,A E WD)与深层网络结合的轴承运行工况的识别方法,A E WD利用了改进的经验小波分解频谱分割方法,该方法可以对故障信号进行自适应分解,不需要预先设定小波基函数,因此在工况识别上的准确率更高㊂2.2小波包分解的应用与改进朱兴统[17]结合小波包分解㊁样本熵和K最近邻算法对轴承故障进行诊断,准确率可达到95%㊂刘颖等[18]通过小波包分解后求取子带信号的能量获得小波包能量,与C N N相结合对轴承故障进行诊断,提高了故障识别的速度㊁准确性和稳定性㊂针对在处理低信噪比信号时带内噪声较大的问题,陈慧等[19]通过小波包分解结合权重包络谱,不但降低了噪声的干扰,而且还增强了隐藏在噪声背后的冲击故障特征㊂B a y r a m等[20]提出并应用了双树复小波包变换(d u a l-t r e ec o m-p l e x w a v e l e t p a c k e tt r a n s f o r m,D T-C W P T)方法,借助其近似平移不变性的优点,解决了故障信息丢失的问题㊂谷穗等[21]将D T-C W P T与自适应排列熵相结合应用在轴承故障诊断中,解决了对原始信号的过分解和欠分解问题㊂2.3经验模态分解的应用与改进吴龙[22]利用E M D对轴承振动信号进行分解,计算本征模函数(i n t r i n s i c m o d ef u n c t i o n, I M F)分量的多特征熵,结果表明该方法可有效地对故障类型进行识别和判断㊂在E M D原理的基础上,W u等[23]提出总体集合经验模态分解(e n-s e m b l eE M D,E E M D)这一改进方法,该方法可以有效抑制E M D产生的模态分量混叠影响㊂在此基础上发展起来的互补集成经验模态分解(c o m-p l e m e n t a r y E E M D,C E E M D)不但消除了模态混淆的影响,还大大提高了计算效率和分解效果[24-25]㊂基于此,Y u a n等[26]提出了集成噪声重构经验模态分解(e n s e m b l en o i s e-r e c o n s t r u c t e d E M D,E N E M D),用来解决E E M D方法造成的噪声残留现象㊂对于E M D㊁E E M D的重要参数多数情况下都需要人为经验来设定的问题,雷亚国等[27]提出了自适应总体平均经验模式分解(a d a p t i v e p o p u l a t i o n m e a nE M D,A P M E M D)方122第3期刘艳秋等:时频分析方法在轴承故障诊断领域的应用Copyright©博看网. All Rights Reserved.法,该方法通过自适应选取I M F筛选次数和改变加入噪声的幅值来抑制模态分量混叠的影响㊂T o r r e s等[28]借助E E M D算法的原理提出了自适应噪声完备总体经验模态分解(c o m p l e t eE E M D w i t ha d a p t i v en o i s e,C E E M D A N),其优势体现在可以自适应选择I M F分量的数量,提高E M D的完备性,因此大大提高了故障诊断的准确率㊂2.4局部均值分解的应用与改进王建国等[29]利用总体局部均值分解(e n s e m-b l eL M D,E L M D)的思想,通过最优噪声参数筛选出的最优幅值,将L M D的分解性能提升到了最理想的状态㊂在E L M D的基础上,邓佳敏等[30]提出了集成噪声重构局部均值分解(e n s e m-b l en o i s e-r e c o n s t r u c t e dL M D,E N L M D)的方法,该方法不但不需要添加白噪声,而且其分解结果显示可有效改善端点效应和模态混叠等弊端㊂Z h a o等[31]提出了一种复合包络构造的局部均值分解(c o m p o u n di n t e r p o l a t i o n e n v e l o p e L M D, C I E L M D),为提高故障特征提取的精度,该方法借助了非平稳系数来评估信号的局部非平稳性㊂虽然L M D的端点效应相比于E M D要小得多,但在处理过程中仍然存在,因此张亢等[32]提出了自适应波形匹配延拓方法,该方法充分考虑了其趋势与规律,并通过对内部的子波形信号进行延拓来处理产生的端点效应㊂2.5本征时间尺度分解的应用与改进肖洁等[33]提出了线性局部切空间排列(l i n e-a r l o c a l t a n g e n t s p a c e a l i g n m e n t,L L T S A)与I T D 结合的轴承故障诊断方法,对于轴承特征提取中常存在的高维特征问题,该方法能够有效减少其所产生的冗余㊂I T D方法总体来说减少了复杂的筛选和样条插值过程,可直接根据结果得到瞬时频率和相位,并且与其他降噪方法相结合更具优越性,适合在线应用㊂为解决I T D方法分解信号产生的波形失真问题,郑近德等[34]提出了改进的本征时间尺度分解(i m p r o v e dI T D,I I T D)方法,同时与模糊熵和S VM方法结合应用在轴承的故障诊断中㊂钟先友等[35]提出了改进的B样条本征时间尺度分解(B-s p l i n e I T D,B I T D)方法,并通过实验证明了该方法在解决波形失真问题上的有效性㊂针对分解后P R分量的波形幅值发生局部波动现象这一缺陷,向玲等[36]融合3次样条插值和I T D中的线性变换法,提出一种集成本征时间尺度分解(e n s e m b l e I T D,E I T D)和谱峭度相结合的轴承故障诊断方法,该方法能有效抑制边界飞翼现象,克服了P R分量的局部波动缺陷㊂2.6局部特征尺度分解的应用与改进针对早期微小故障特征频率难以提取的问题,余忠潇等[37]提出了L C D和最大相关峭度反卷积相结合的方式,并通过实验证明了该方法的可行性㊂为提高L C D分解精度,郑近德[38]提出了L C D的改进方法(i m p r o v e dL C D,I L C D),该方法采用多项分段式取代原有的曲线㊁直线连接相邻极值问题,在分解效果上与真实值更接近,绝对误差也更小;提出了广义的局部特征尺度分解(g e n e r a l i z e dL C D,G L C D),该方法在分解能力㊁分解精确度㊁正交性上更优;针对L C D出现的模态混叠现象,借鉴C E E M D A N原理,提出了完备总体平均局部特征尺度分解(c o m p l e t ee n s e m b l e L C D,C E L C D)方法,通过实验证明该方法可有效抑制模态混叠现象㊂对于L C D均值曲线的改进,吴占涛[39]提出了运用拉格朗日插值的局部特征尺度分解(l a-g r a n g e i n t e r p o l a t i o nb a s e d L C D,L I L C D)方法,解决了线性插值失真的问题;通过借助微分算子,提出了优化的局部特征尺度分解(d i f f e r e n t i a l o p-e r a t o r b a s e dL C D,D O L C D),该方法可有效提高其分解能力和抑制模态混叠的能力;为弥补噪声辅助的L C D缺乏自适应性的问题,提出了致密局部特征尺度分解(c o m p a c tL C D,C L C D),通过实验证明该方法可有效地抑制模态混叠;为实现真正的自适应分解,提出了自适应特征尺度分解(a d a p t i v e c h a r a c t e r i s t i c-s c a l ed e c o m p o s i t i o n,A C D),该方法不但可以提高分解结果分量的正交性和精确性,而且不需要预设置运行参数㊂2.7内禀特征尺度分解法的应用李永波[40]将内禀特征尺度分解与共振稀疏分解进行结合,应用在轴承早期故障的诊断中㊂通过与L M D㊁E M D处理结果的对比可知,内禀特征尺度分解不但能提高分解精度,而且具有较高的分解效率㊂2.8变分模态分解的应用与改进M o h a n t等[41]运用VM D方法处理非平稳且复杂度高的轴承振动信号,获取了早期微小的轴承故障特征信息㊂唐贵基等[42]通过对轴承振动信号特性及故障机理进行分析,选择合适的VM D参数,提取了反映轴承故障模式的特征频率,解决了模态分量混叠与端点效应等问题㊂在VM D算法中,分解层数K和惩罚α对其分解效果起着重要的作用,K设置过小,故障特222大连工业大学学报第42卷Copyright©博看网. All Rights Reserved.征难以被发现;K设置过大,分解易出现频率混叠的现象㊂王双海等[43]借助多岛遗传算法(m u l t i-i s l a n d g e n e t i c a l g o r i t h m,M I G A)对VM D参数中的K和α进行优化,提高了轴承故障诊断的准确性㊂尹逊龙等[44]利用麻雀算法(s p a r r o w s e a r c ha l g o r i t h m,S S A)对VM D算法进行优化,验证了该方法可有效剔除振动信号的噪声,增强信号表达特征的能力㊂应用于轴承故障诊断领域的VM D参数优化算法还包括鲸鱼优化算法[45]㊁模拟退火算法和遗传算法[46]㊁蝙蝠算法[47]㊁灰狼算法[48]㊁樽海鞘群优化算法[49]㊁天牛须搜索算法[50]㊁粒子群优化算法[42]等㊂针对最佳本征模态分量个数问题,金志浩等[51]提出了自适应变分模态分解(a d a p t i v e VM D,A VM D),借助自适应阈值与频谱极值点来确定本征模态分量的最佳个数㊂基于小波分析理论和自适应时频分析理论的方法通常与各种神经网络㊁降噪㊁熵值以及非线性降维等方法相结合进行轴承故障诊断,并且随着越来越多改进方法的提出,其准确性和泛化能力也越来越高㊂3时频分析方法的不足虽然时频分析方法在信号处理领域成果显著,但是,针对轴承故障信号的分析结果还是存在一些不足之处㊂用于滚动轴承故障诊断领域的时频分析方法的优缺点见表1㊂表1时频分析方法的优缺点T a b.1 A d v a n t a g e s a n dd i s a d v a n t a g e s o f t i m e-f r e q u e n c y a n a l y s i sm e t h o d s处理方法优点缺点短时傅立叶变换没有交叉项信号的干扰不能同时满足时间和频率在分辨率上的要求W i g n e r-V i l l e分布具有较好的信号时频聚集度存在交叉项信号干扰小波变换可提取出不同频带上的能量特征对频段进行划分需要设定基函数小波包分解可自适应地选取最佳基函数需要选择小波基和分解层数经验模态分解可自适应分析非线性㊁非平稳信号模态分量混叠㊁处理时间长局部均值分解收敛速度快㊁分解精度高存在端点效应本征时间尺度分解可有效抑制端点效应分解结果易产生毛刺㊁失真局部特征尺度分解迭代次数少,运算流程简单存在模态分量混叠内禀特征尺度分解分解精度㊁分解效率高变分模态分解可自适应确定模态分解的个数不确定分解模态个数和惩罚参数针对传统的时频分析方法存在的不足,专家学者们在其基础上又提出了许多时频分析的变体方法㊂应用于轴承故障诊断领域的变体方法优势见表2㊂表2时频分析变体方法的优势T a b.2 A d v a n t a g e s o f t i m e-f r e q u e n c y a n a l y s i s v a r i a n t m e t h o d s时频分析变体方法优势自适应经验小波分解不需要预先设定小波基函数双树复小波包变换具有近似平移不变性总体集合经验模态分解有效抑制模态分量混叠集成噪声重构的局部均值分解改善端点效应与模态分量混叠致密局部特征尺度分解有效抑制模态分量混叠B样条本征时间尺度分解解决波形失真问题自适应变分模态分解可确定出最佳本征模态分量的个数时频分析的变体方法解决了传统方法中存在的不足,为时频分析在轴承故障诊断领域的进一步发展提供了有力的支持㊂4总结与展望本研究对8种常见方法的优缺点进行了总结,为时频分析方法在轴承故障诊断领域的研究可提供参考㊂时频分析的发展呈现如下趋势:融合发展:时频分析在信号处理领域发展迅速,方法众多㊂尤其在轴承故障诊断的应用中,时频分析方法通过与特征选取㊁特征降维㊁优化算法㊁神经网络等方法相结合,取得了出色的诊断结果㊂因此在未来的发展中,更要充分利用融合技术,结合各方法的优势应用在轴承故障诊断中,获得更优的诊断结果㊂智能发展:信息处理中常存在人为因素的干322第3期刘艳秋等:时频分析方法在轴承故障诊断领域的应用Copyright©博看网. All Rights Reserved.扰,导致信息处理结果的完整性和准确性降低㊂自适应分解方法与参数优化算法相结合,实现了自适应参数的选取,达到了智能化的控制和操作,因此未来的信息处理过程将朝着更加智能化的方向发展,减少人为因素的影响㊂多元发展:针对信息处理技术应用中存在的问题进行及时研究和妥善解决,使得信息处理技术向着效率高㊁结果优㊁适应能力强㊁处理过程更可控等多元化的方向发展㊂创新发展:随着故障诊断领域受到越来越多的重视,研究者们提出了许多具有创新性的时频分析方法,这些方法有的是在前人理论基础上进行的改进,有的是提出了新的理论㊂无论何种方式都是在促进信号处理技术的发展,以达到提高信号处理能力和解决现存问题的目的㊂参考文献:[1]陈进.机械设备振动监测与故障诊断[M].上海:上海交通大学出版社,1999.[2]P E N GZ K,T S E P W,C HU F L.A c o m p a r i s o n s t u d y o f i m p r o v e d H i l b e r t-H u a n g t r a n s f o r m a n d w a v e l e t t r a n s f o r m:a p p l i c a t i o nt of a u l td i a g n o s i sf o r r o l l i n g b e a r i n g[J].M e c h a n i c a lS y s t e m sa n d S i g n a l P r o c e s s i n g,2005,19(5):974-988.[3]吴延军,赵艳,吕维雪.小波包分解及其参数模型[J].应用声学,1998(3):25-29.[4]HU A N GNE,S H E NZ,L O N GSR,e t a l.T h e e m-p i r i c a lm o d ed e c o m p o s i t i o na n dt h eh i l b e r ts p e c t r u m f o rn o n l i n e a ra n dn o n-s t a t i o n a r y t i m es e r i e sa n a l y s i s [J].P r o c e e d i n g s o f t h eR o y a l S o c i e t y o f L o n d o n.S e-r i e sA:M a t h e m a t i c a l,P h y s i c a l a n dE n g i n e e r i n g S c i-e n c e s,1998,454(1971):903-995.[5]S M I T H JS.T h el o c a lm e a nd e c o m p o s i t i o na n di t sa p p l i c a t i o n t oE E G p e r c e p t i o nd a t a[J].J o u r n a l o f t h e R o y a l S o c i e t y I n t e r f a c e,2005,2(5):443-454. [6]F R E IM G,O S O R I OI.I n t r i n s i c t i m e-s c a l e d e c o m p o-s i t i o n:t i m e-f r e q u e n c y-e n e r g y a n a l y s i sa n dr e a l-t i m e f i l t e r i n g o fn o n-s t a t i o n a r y s i g n a l s[J].P r o c e e d i n g so f t h eR o y a lS o c i e t y o fL o n d o n.S e r i e sA:M a t h e m a t i-c a l,P h y s i c a la n d E n g i n e e r i n g S c i e n c e s,2007,463 (2078):321-342.[7]程军圣,郑近德,杨宇.一种新的非平稳信号分析方法局部特征尺度分解法[J].振动工程学报, 2012,25(2):215-220.[8]Z H E N GJ D,C H E N G JS,Y A N G Y.A r o l l i n gb e a r i n g f a u l td i a g n o s i sa p p r o ac hb a s e do n L C D a nd f u z z ye n t r o p y[J].M e c h a n i s ma n d M a c h i n eT h e o r y,2013,70:441-453.[9]D R A G OM I R E T S K I Y K,Z O S S O D.V a r i a t i o n a l m o d e d e c o m p o s i t i o n[J].I E E ET r a n s a c t i o n s o nS i g n a l P r o c e s s i n g,2014,62(3):531-544.[10]袁建虎,韩涛,唐建,等.基于小波时频图和C N N的滚动轴承智能故障诊断方法[J].机械设计与研究, 2017,33(2):93-97.[11]姜保军,曹浩.基于小波分解和样本熵的G A-S VM齿轮箱故障诊断[J].组合机床与自动化加工技术, 2019(11):78-82.[12]孙强,赵东波,王良涛,等.基于小波分解改进算法和峭度最大原则的滚动轴承故障诊断研究[J].铁道车辆,2022,60(1):23-27.[13]G I L L E SJ.E m p i r i c a lw a v e l e t t r a n s f o r m[J].I E E ET r a n s a c t i o n s o nS i g n a lP r o c e s s i n g,2013,61(16): 3999-4010.[14]李志农,刘跃凡,胡志峰,等.经验小波变换-同步提取及其在滚动轴承故障诊断中的应用[J].振动工程学报,2021,34(6):1284-1292.[15]王大鹏,李忞,邓飞跃.一种多层经验小波变换与多指标交叉融合的列车轮对轴承故障诊断研究[J].重庆理工大学学报(自然科学版),2022,36(6):156-163.[16]左大利.基于自适应经验小波分解和深层W a s s e r-s t e i n网络的轴承工况识别[J].组合机床与自动化加工技术,2021(8):11-15.[17]朱兴统.基于小波包分解和K最近邻算法的轴承故障诊断方法[J].装备制造技术,2020(2):24-27.[18]刘颖,陶建峰,黄武涛,等.小波包能量与C N N相结合的滚动轴承故障诊断方法[J].机械设计与制造, 2021,369(11):127-131.[19]陈慧,胡俊锋,熊国良.基于小波包分解与权重包络谱的滚动轴承故障特征增强[J].机械设计与研究, 2017,33(3):78-81.[20]B A Y R AM I,S E L E S N I C K I W.O nt h ed u a l-t r e ec o m p l e xw a v e l e t p a c k e t a nd M-b a n d t r a n s f o r m s[J].I E E E T r a n s a c t i o n so nS i g n a lP r o c e s s i n g,2008,56(6):2298-2310.[21]谷穗,王红,陈禹州.双树复小波包与自适应排列熵在轴承故障诊断中的应用[J/O L].机械科学与技术:1-8[2022-05-05].h t t p s://d o i.o r g/10.13433/j.c n k i.1003-8728.20220050.[22]吴龙.基于E M D和复合熵在轴承故障诊断中的应用[J].中国水运(下半月),2021,21(11):60-62.[23]WUZ H,HU A N G N E.E n s e m b l e e m p i r i c a lm o d ed e c o m p o s i t i o n:a n o i s e-a s s i s t e dd a t a a n a l y s i sm e t h o d[J].A d v a n c e s i n A d a p t i v eD a t aA n a l y s i s,2009,1(1):1-41.[24]董东野.基于C E E M D-T e a g e r的刮板转载机轴承故422大连工业大学学报第42卷Copyright©博看网. All Rights Reserved.障识别[J].煤矿机械,2021,42(3):167-169. [25]任学平,李攀,乔海懋.基于C E E M D和T e a g e r能量算子的滚动轴承故障诊断研究[J].机械设计与制造,2019(8):16-18.[26]Y U A NJ,H EZJ,N I J,e t a l.E n s e m b l en o i s e-r e-c o n s t r u c t e de m p i r i c a l m od ede c o m p o s i t i o nf o r m e-c h a n i c a l f a u l t d e t e c t i o n[J].J o u r n a l o fV i b r a t i o n a n dA c o u s t i c s,2013,135(2):021011.[27]雷亚国,孔德同,李乃鹏,等.自适应总体平均经验模式分解及其在行星齿轮箱故障检测中的应用[J].机械工程学报,2014,50(3):64-70.[28]T O R R E S M E,C O L OM I N A S M A,S C H L O T-T HA U E R G,e t a l.Ac o m p l e t e e n s e m b l e e m p i r i c a l m o d ed e c o m p o s i t i o n w i t ha d a p t i v en o i s e[C]//2011I E E EI n t e r n a t i o n a l C o n f e r e n c e o nA c o u s t i c s,S p e e c ha n dS i g n a lP r o c e s s i n g(I C A S S P).P r a g u e:I E E E, 2011:4144-4147.[29]王建国,陈帅,张超.噪声参数最优E L M D与谱峭度在滚动轴承故障诊断中的应用[J].机械传动,2017, 41(5):170-175.[30]邓佳敏,谢灿华,刘博,等.基于E N L M D与H i l b e r t包络谱的轴承运行状态故障特征提取[J].中国仪器仪表,2021(2):42-47.[31]Z HA O H Y,WA N GJD,L E EJ,e ta l.Ac o m-p o u n d i n t e r p o l a t i o ne n v e l o p e l o c a lm e a nd e c o m p o s i-t i o na n d i t s a p p l i c a t i o n f o r f a u l t d i a g n o s i s o f r e c i p r o-c a t i n g c o m p r e s s o r s[J].M e c h a n i c a l S y s t e m s a n d S i g n a l P r o c e s s i n g,2018,110:273-295. [32]张亢,程军圣,杨宇.基于自适应波形匹配延拓的局部均值分解端点效应处理方法[J].中国机械工程, 2010,21(4):457-462.[33]肖洁,黎敬涛,邓超,等.基于I T D与L L T S A的轴承故障诊断方法[J].电子测量技术,2020,43(8):183-188.[34]郑近德,程军圣,杨宇.基于改进的I T D和模糊熵的滚动轴承故障诊断方法[J].中国机械工程,2012,23(19):2372-2377.[35]钟先友,曾良才,赵春华,等.基于B样条本征时间尺度分解和对角切片谱的轴承故障诊断[J].振动与冲击,2013,32(23):201-207.[36]向玲,鄢小安.基于集成固有时间尺度分解和谱峭度的滚动轴承故障检测[J].中南大学学报(自然科学版),2016,47(7):2273-2280.[37]余忠潇,郝如江.基于L C D和M C K D的轴承故障诊断[J].中国科技论文,2019,14(2):215-220. [38]郑近德.局部特征尺度分解方法及其在机械故障诊断中的应用研究[D].长沙:湖南大学,2014. [39]吴占涛.自适应特征尺度分解方法及其在旋转机械故障诊断中的应用[D].长沙:湖南大学,2015. [40]李永波.滚动轴承故障特征提取与早期诊断方法研究[D].哈尔滨:哈尔滨工业大学,2017.[41]MO HA N T Y,G U P T A K K,R A J U K S.B e a r i n gf a u l ta n a l y s i su s i ng v a r i a t i o n a lm o d ed e c o m p o s i t i o n[C]//20149t h I n t e r n a t i o n a l C o n f e r e n c e o n I n d u s t r i-a l a n d I n f o r m a t i o n S y s t e m s(I C I I S).G w a l i o r:I E E E,2014:1-6.[42]唐贵基,王晓龙.参数优化变分模态分解方法在滚动轴承早期故障诊断中的应用[J].西安交通大学学报,2015,49(5):73-81.[43]王双海,米大斌,芦浩,等.基于M I G A-VM D和t-S N E的轴承故障诊断方法[J].机床与液压,2022, 50(2):183-191.[44]尹逊龙,牟宗磊,王友清.基于D VM D降噪的旋转机械故障诊断[J].控制理论与应用,2022,39(7): 1324-1334.[45]刘宏利,张晓杭,邵磊,等.基于WO A-VM D及综合评价指标的轴承故障诊断[J].组合机床与自动化加工技术,2022(2):68-71.[46]梁尔祝,徐淼,谷传宝,等.基于S A-G A模糊熵的VM D算法在爆破振动信号分解中的应用[J].金属矿山,2022(2):75-82.[47]谢棕,张丽萍.基于参数优化VM D和多尺度排列熵的齿轮故障诊断[J].机械制造与自动化,2021,50(6):114-117.[48]金江涛,许子非,李春,等.基于改进变分模态分解及多重分形的轴承信号非线性分析[J].机械强度, 2022,44(1):45-52.[49]袁文琪,冯爱兰,徐江燕.基于樽海鞘群优化VM D和F C F的旋转机械信号分析方法[J].煤炭技术, 2022,41(2):209-212.[50]刘硕,帕孜来㊃马合木提,艾纯玉.优化VM D算法在汽车逆变器早期故障诊断中的应用[J].三峡大学学报(自然科学版),2022,44(1):101-106. [51]金志浩,穆鹏丞,张义民,等.一种改进的VM D及其在轴承故障诊断中的应用[J].机械设计与制造, 2022,372(2):42-46.(责任编辑:刘发盛)522第3期刘艳秋等:时频分析方法在轴承故障诊断领域的应用Copyright©博看网. All Rights Reserved.。

《2024年度EMD时频分析方法在旋转机械耦合故障诊断中的应用研究》范文

《EMD时频分析方法在旋转机械耦合故障诊断中的应用研究》篇一一、引言在现代工业中，旋转机械如轴承、齿轮等是关键部件，其故障诊断与维护对设备的正常运行至关重要。

然而，由于设备内部结构复杂，加之工作环境的影响，旋转机械的故障往往呈现出耦合性、非线性和非平稳性等特点，使得故障诊断变得困难。

因此，发展有效的故障诊断方法成为当前研究的热点。

本文将探讨一种有效的时频分析方法——EMD（Empirical Mode Decomposition）在旋转机械耦合故障诊断中的应用。

二、EMD时频分析方法概述EMD是一种自适应的、基于数据本身的时频分析方法。

其基本思想是将信号分解为有限个本征模态函数（Intrinsic Mode Functions, IMFs），这些IMFs包含了信号的不同频率和时间的局部特征。

通过EMD，我们可以得到信号的时频分布，从而更好地理解信号的动态特性。

三、EMD在旋转机械耦合故障诊断中的应用1. 信号处理：首先，通过传感器采集旋转机械的振动信号。

然后，利用EMD对振动信号进行分解，得到多个IMFs。

这些IMFs代表了信号在不同时间、不同频率上的局部特征。

2. 特征提取：对分解得到的IMFs进行进一步处理，如计算能量、熵等特征指标，提取出与故障相关的特征信息。

这些特征信息可以有效地反映设备的运行状态和故障类型。

3. 故障识别：通过比较提取的特征信息与正常状态下的特征信息，可以判断设备是否发生故障以及故障的类型。

此外，还可以利用机器学习、深度学习等方法对故障进行分类和识别。

4. 耦合故障分析：针对旋转机械中的耦合故障，EMD能够有效地分离出由不同故障源产生的振动信号。

通过对IMFs的进一步分析，可以确定各故障源对设备运行的影响程度，从而为故障诊断和维修提供依据。

四、实验研究为了验证EMD在旋转机械耦合故障诊断中的有效性，我们进行了实验研究。

实验中，我们使用了某型旋转机械的振动信号数据，分别在正常状态和不同故障状态下进行EMD分析。

时频分析方法在故障诊断中的应用

时频分析方法在故障诊断中的应用故障诊断在现代工程领域中起着至关重要的作用。

随着技术的发展，人们对于故障诊断方法的要求也越来越高。

时频分析方法作为一种先进的信号处理技术，在故障诊断中展现出了巨大的潜力。

本文将介绍时频分析方法的基本原理以及其在故障诊断中的应用。

一、时频分析方法的基本原理时频分析方法主要用于分析非平稳信号的频谱分布随时间的变化情况。

与传统的傅里叶变换方法相比，时频分析方法能够提供更加全面和详细的信号特性信息。

时频分析方法的基本原理包括短时傅里叶变换（STFT）、连续小波变换（CWT）和离散小波变换（DWT）等。

短时傅里叶变换是时频分析方法中最常用的一种方法。

它通过将信号分成多个时间窗口，对每个时间窗口进行傅里叶变换来得到频谱。

这样可以获得信号频谱随时间的变化情况，进而揭示信号中的故障信息。

连续小波变换是一种基于小波函数的时频分析方法。

该方法将信号与一组基函数进行卷积运算，得到不同尺度和不同位置的频谱信息。

连续小波变换可以提供更加准确的时频分析结果，尤其适用于分析具有尖峰和突变现象的信号。

离散小波变换是在连续小波变换的基础上发展起来的一种离散化方法。

它通过对信号进行采样和滤波操作，将连续信号转换为离散信号，并得到离散小波系数。

离散小波变换具有高效性和方便性，是实际应用中较为常用的时频分析方法之一。

二、时频分析方法在故障诊断中的应用时频分析方法在故障诊断中有着广泛的应用。

下面将介绍时频分析方法在几个典型领域的具体应用。

1. 机械故障诊断机械故障常常表现为振动信号的异常变化。

时频分析方法可以对机械振动信号进行分析，提取出相应的频谱信息，进而判断机械系统是否存在故障。

例如，在风力发电机中，时频分析方法可以用于诊断齿轮故障、轴承故障等。

2. 电气故障诊断电气故障诊断是指对电气设备的故障进行分析和判断。

时频分析方法可以应用于电气信号的故障诊断。

比如，对电力系统中的谐波、母线故障等进行时频分析，可以准确地找出故障位置和故障类型。

时—频分析方法在齿轮故障诊断中的应用

．
１齿轮故障诊断的原理
齿轮传动的故障监测与诊断的目的是要及时准确地把握设备的工作状态，实现预防维修，高设备提
运行的可靠性、安全性。因此，及早发现齿轮系统的
＝ｎ，中ｎ为齿轮的齿数，为齿轮的工作频率。ｆ其厂
．
２几种时频分析方法
傅里叶变换不能揭示某种频率分量出Байду номын сангаас在什么时候，以及频率分量随时间的变化情况。了克服傅为里叶变换的这一缺陷，们希望用时间和频率的联我
收稿日期：２ＯＯ９～１１—２３
各类故障并预测故障的发展趋势十分重要。振动检
测往往测量的是箱体表面的振动量，所测振动信号通常包含有传动系统各个零部件运动所引起的各种常规振动和齿轮故障所引起的振动这些振动分量
ＡｂｔａｔＩｉｈｆｔｅｆａｕｅｆｖｂａｏｉｎｌａｓｄｂｒａｄｗｎｉｅｒｃｓｓｔｉａｅｎｒｄｃｓｓｒｃ：ｎｌｔｏｅｔｒｓｏｉｒｔｎｓｇａｓｃｕｅｙｂｅｋｏｇａａｅ，ｈｓｐｐｒｉｔｏｕｅｇｈｉｎ
时，由于振动产生瞬态的冲击信号，啮合频率及其谐
波被调制频率紧紧包围而形成密集边频带，同时由
用于分析信号的频率分量或信号的统计量不随时间变化的平稳信号。对于非平稳信号，时一频分析是
更为准确有效的方法。
当齿轮存在局部故障时，由于齿的损伤可能激

《2024年度EMD时频分析方法在旋转机械耦合故障诊断中的应用研究》范文

《EMD时频分析方法在旋转机械耦合故障诊断中的应用研究》篇一一、引言旋转机械广泛应用于各种工业领域，其正常运行对设备的稳定性和工作效率起着决定性作用。

然而，由于各种因素如长时间运行、设备老化、环境变化等，旋转机械的故障难以避免。

为了确保设备的正常运行和延长其使用寿命，有效的故障诊断技术至关重要。

其中，时频分析作为一种常用的信号处理方法，能够同时捕捉到信号的时域和频域特征，被广泛应用于故障诊断领域。

近年来，EMD（Empirical Mode Decomposition）作为一种新型的时频分析方法，在旋转机械耦合故障诊断中展现出巨大的潜力。

本文将探讨EMD时频分析方法在旋转机械耦合故障诊断中的应用研究。

二、EMD时频分析方法概述EMD是一种自适应的信号处理方法，能够根据信号本身的特性进行分解。

它通过将信号分解为一系列具有不同特征尺度的固有模式函数（IMF），从而实现对信号的时频分析。

EMD具有不需要预设基函数、自适应性强、能够处理非线性和非平稳信号等优点，因此在故障诊断领域得到了广泛应用。

三、旋转机械耦合故障的特点旋转机械在运行过程中，由于各种因素的影响，可能会出现各种类型的故障。

其中，耦合故障是一种常见的故障形式。

耦合故障指的是多个部件之间的相互作用导致设备性能下降或出现异常现象。

由于耦合效应的存在，旋转机械的故障信号往往具有非线性和非平稳性，给故障诊断带来了一定的难度。

四、EMD在旋转机械耦合故障诊断中的应用EMD时频分析方法在旋转机械耦合故障诊断中具有显著的优势。

首先，EMD能够根据信号本身的特性进行自适应分解，从而提取出信号中的有用信息。

其次，EMD能够处理非线性和非平稳信号，适用于旋转机械耦合故障的诊断。

此外，EMD还能够通过时频图清晰地展示出信号的时域和频域特征，有助于对故障进行准确的定位和识别。

具体而言，EMD在旋转机械耦合故障诊断中的应用包括以下几个方面：1. 信号预处理：利用EMD对原始信号进行预处理，去除噪声和干扰信号，提取出有用的故障信息。

《2024年EMD时频分析方法在旋转机械耦合故障诊断中的应用研究》范文

《EMD时频分析方法在旋转机械耦合故障诊断中的应用研究》篇一一、引言在现代工业中，旋转机械作为关键设备广泛应用于各个领域。

然而，由于长时间运行、高负荷工作等因素，旋转机械的故障频发，对其正常运行和维护带来巨大挑战。

因此，准确、高效地诊断旋转机械的故障成为工业生产中的一项重要任务。

时频分析方法作为一种有效的信号处理方法，近年来在旋转机械故障诊断中得到了广泛应用。

本文重点研究了基于EMD（Empirical Mode Decomposition）的时频分析方法在旋转机械耦合故障诊断中的应用。

二、EMD时频分析方法概述EMD是一种自适应的信号处理方法，它能够将复杂的非线性、非平稳信号分解为一系列具有不同特征尺度的固有模式函数（IMF）。

这些IMF能够反映信号在不同时间尺度上的局部特征，从而实现对信号的时频分析。

EMD方法具有自适应性、非线性、非递归性等特点，能够有效地处理旋转机械中存在的耦合故障问题。

三、EMD在旋转机械耦合故障诊断中的应用1. 信号采集与预处理首先，通过传感器对旋转机械的振动信号进行采集。

然后，对采集到的信号进行预处理，包括去噪、滤波等操作，以提高信号的信噪比和分辨率。

2. EMD分解将预处理后的信号进行EMD分解，得到一系列IMF。

每个IMF都反映了信号在不同时间尺度上的局部特征，有助于发现旋转机械中存在的耦合故障。

3. 特征提取与故障诊断通过对IMF进行进一步的分析和处理，提取出与故障相关的特征信息。

这些特征信息包括振幅、频率、相位等参数，可以反映旋转机械中不同部件的耦合故障情况。

根据提取的特征信息，可以判断出旋转机械是否存在故障以及故障的类型和程度。

四、实验与分析为了验证EMD时频分析方法在旋转机械耦合故障诊断中的有效性，我们进行了实验研究。

实验中，我们采用了某型旋转机械的振动信号作为研究对象，通过EMD方法对信号进行分解和分析。

实验结果表明，EMD方法能够有效地提取出与旋转机械耦合故障相关的特征信息，为故障诊断提供了有力的支持。

时频分析技术及其在旋转机械故障诊断中的应用(故障诊断课作业)

时频分析及在旋转机械故障诊断中应用刘功生南华大学机械工程学院，湖南衡阳421001摘要：旋转机械故障信号常非平稳信号为，而时频分析是非平稳信号比较有力的分析工具。

为加深对时频分析方法及其应用的了解，从时频分析方法的的基本概念和在旋转机械故障诊断的应用特点入手，概括性介绍了四种典型的时频分析方法的优缺点及应用。

最后详细介绍了小波变换方法及其应用，为时频分析技术在旋转机械故障诊断中的应用提供了理论依据。

关键字：旋转机械；故障诊断；非平稳信号；时频分析方法；小波变换Time-frequency analysis and its application to fault diagnosis of rotary machinesGongsheng LiuAcademy of mechanical engineering, Hunan Hengyang 421001Abstract: The fault signal of rotary machines are always the non-stationary signal. To deal with a non-stationary signal time-frequency analysis techniques are widely used. To gain a better understanding of time-frequency analysis and its application, the basic concept and the application characteristics of fault diagnosis in rotary machines are first described. Then the characteristics of four typical time-frequency analysis techniques are generally described. At last the Wavelet transform technique and its application are introduced in detail. All the introduces are providing theoretical basis to the time-frequency techniques of fault diagnosis in rotary machines. Keywords: Rotary machine; Fault diagnosis; Non-stationary signal; Time-frequency techniques; Wavelet transform1前言旋转机械是机械设备的重要组成部分，如大型石油、化工、电力、冶金等行业的汽轮机、发电机、鼓风机、压缩机等都是典型的旋转机器[1]。

时频分析在轴承故障诊断中的应用研究的开题报告

时频分析在轴承故障诊断中的应用研究的开题报告一、课题选题背景轴承作为机械传动系统的重要组成部分，在运行中容易发生故障，严重影响设备的正常运行，甚至造成设备事故。

因此，轴承故障诊断一直是机械维修领域重点研究的课题之一。

近年来，随着数学方法和计算机技术的不断发展，时频分析方法在轴承故障诊断领域中得到了广泛应用，有助于更快、更准确地判断轴承故障的种类和程度。

二、研究目的本课题旨在探究时频分析方法在轴承故障诊断中的应用，以提高轴承故障诊断的准确性和效率。

三、研究内容1. 了解轴承故障诊断的现有方法和技术，并分析其优缺点；2. 研究时频分析方法的基本原理和算法；3. 研究时频分析方法在轴承故障诊断中的应用和案例；4. 结合实际案例进行数据采集和分析，验证时频分析方法在轴承故障诊断中的有效性和优越性。

四、研究意义1. 提高轴承故障诊断的准确性和效率，降低设备维修成本；2. 推进时频分析方法在机械故障诊断领域的应用和发展。

五、研究方法1. 文献调研法：查阅相关文献资料，了解轴承故障诊断的现有方法和技术以及时频分析方法的基本原理和算法；2. 实验研究法：结合实际案例，采集轴承故障信号数据，进行时频分析方法的应用和验证。

六、研究进度安排第一阶段（1-2周）：调研和收集轴承故障诊断和时频分析的文献资料，了解其基本原理和现状。

第二阶段（3-5周）：学习和掌握时频分析方法的基本原理和算法，并结合实际案例进行应用和研究。

第三阶段（6-8周）：结合实际案例进行轴承故障信号数据采集和分析，并进行时频分析方法的验证和效果评估。

第四阶段（9-10周）：撰写研究报告和论文，提交并进行答辩。

七、研究成果本项目将输出一份详细的研究报告和论文，包括轴承故障诊断现状分析、时频分析方法原理和应用、案例分析和数据分析，以及研究成果的验证和效果评估。

机械振动信号的时频分析与故障诊断

机械振动信号的时频分析与故障诊断导言机械设备的振动信号是反映设备正常运行状态及潜在故障的重要指标之一。

振动信号中蕴含着丰富的信息，可以通过时频分析来提取出这些信息并实现故障的诊断与预测。

本文将介绍机械振动信号的基本概念和特征，以及时频分析的原理与方法，并探讨其在故障诊断中的应用。

一、机械振动信号的基本概念与特征机械设备的振动信号是由设备运动所引起的机械波动，通常可以通过传感器采集到。

振动信号是一个非常复杂的时间序列，其包含了多种振动模态的叠加和相互作用。

为了对振动信号进行分析和诊断，我们首先需要了解振动信号的基本概念和特征。

1. 振动信号的频率振动信号的频率是指振动信号中重复发生的周期性变化的次数。

频率可以反映出振动信号的周期性特征，对于机械设备的故障分析非常重要。

2. 振动信号的振幅振动信号的振幅是指振动信号的大小或强度。

振幅可以反映出振动信号的强弱程度，对于故障的诊断与判定非常有帮助。

3. 振动信号的相位振动信号的相位是指振动信号与某一参考位置之间的时间差或空间差。

相位可以反映出振动信号的位置和偏移程度，帮助我们了解振动信号的波动规律。

4. 振动信号的谱图振动信号的谱图是将振动信号在频率域中的幅度进行展示的图形，通过谱图我们可以清晰地观察到振动信号的频率分布情况，从而对振动信号进行进一步的分析和处理。

二、时频分析的原理与方法为了进一步分析和处理机械振动信号，时频分析成为一种常用的手段。

时频分析是将信号在时间域和频率域上进行联合分析的方法，其原理与方法如下：1. 傅里叶变换傅里叶变换是时频分析的基础。

通过傅里叶变换，我们可以将信号从时域转换到频域，获得信号的频谱信息。

2. 小波变换小波变换是一种具有时频局部性的信号分析方法。

通过小波变换，我们可以在时域和频域上同时获得信号的时频信息，进一步提取信号的特征和规律。

3. 瞬时频率分析瞬时频率分析是时频分析的一种重要方法。

通过瞬时频率分析，我们可以获得信号的瞬时频率变化情况，进一步了解信号的振动模态和变化规律。

时频分析在发动机振动监测与故障诊断中的应用

ｔｅｅｇｎｅｕｎｙｏｈｎｉｅｖｂａｉｎｓｇｌａｃｒｔｌ，ｉｈｗｉｅｕｅｎｍｏｉｏｎｎｉｇｏｉｇｈｉｅｆｑｅｃｆｔｅｅｇｎｉｒｔｏｉｎａｃｕａｅｙｗｈｃｌｂｓｄｉｎｔｒｇａｄｄａｎｓｎｒｌｉａｒｅｇｎｅｖｂａｉｎ．ｅｏｎｉｉｒｔｏＫｅｒ：ｉｒｔｏｏｉｏ；ｌｉｇｗｉｏｉｉｅｄｍａｎ；ＴＦｅｇｎｒｑｅｃｙｗｏｄｓｖｂａｉｎｍｎｔｒｓｉｎｎｄｗｎｔｏｉＳＴ；ｉｅｆｅｕｎｙｄｍ
ｓｉｉｇｗｎｏｉｉｏｉｓｐｅｅｔｄｆｒａｒｅｇｎｉｒｔｎｍｏｉｒｎａｈｄａｎｓｓＴｅｍｅｈｄｉｌｎｉｄｗｔｄｎｍｅｄｍａｎｉｒｓｎｅｏｅｏｎｉｅｖｂａｉｎｔｄｆｕｉｇｏｉ．ｈｔｏｓｏｏａ
ｃｒｅｔｓｎｄａｔｇｆｔｅｍｅｈｄａｄｉｉａｅｈｔｔｉｔｏａｆｅｔｖｌｔｌｅｏｐｃｕｏｒｃｎｅｓａｄａｖｎａｅｏｈｔｏｎｎｄｃｔｓｔａｈｓｍｅｈｄｃｎｂｅｅｆｃｉｅｙｕｉｚｄｔｉｋｏｔｉ
随着航空发动机性能的提高，结构复杂度与零其部件的负荷也不断提高，动机结构强度、发可靠性问题
监测中应用振动总量（Ｂ值）虽然可以在时域内对振，动信号进行监测，只能简单地判断振动值是否超标，但

《2024年度EMD时频分析方法在旋转机械耦合故障诊断中的应用研究》范文

《EMD时频分析方法在旋转机械耦合故障诊断中的应用研究》篇一一、引言旋转机械设备广泛应用于各种工业领域，如机械制造、石油化工等。

其可靠性直接影响到企业的正常生产及设备的性能与寿命。

因此，对于旋转机械的故障诊断，对于确保设备的稳定运行具有重要意义。

在过去的几十年中，EMD（Empirical Mode Decomposition）时频分析方法在信号处理和故障诊断领域得到了广泛的应用。

本文将探讨EMD时频分析方法在旋转机械耦合故障诊断中的应用研究。

二、EMD时频分析方法概述EMD是一种基于数据自身的特征和时间尺度的分解方法，用于从复杂的时间序列中提取不同时间尺度的信号成分。

其基本思想是将原始信号分解为一系列具有不同特征尺度的固有模式函数（IMF），从而实现对信号的时频分析。

EMD方法具有自适应性、非线性和非平稳性等特点，能够有效地处理非线性和非平稳信号。

三、旋转机械耦合故障诊断的挑战旋转机械的耦合故障诊断是一个复杂的任务，主要面临以下挑战：1. 故障信号的复杂性：旋转机械的故障信号往往表现为非线性和非平稳性，需要有效的信号处理方法进行提取和分析。

2. 故障类型的多样性：旋转机械的故障类型多样，不同故障类型的信号特征差异较大，需要针对不同的故障类型进行诊断。

3. 噪声干扰：在实际应用中，由于各种噪声干扰，导致故障信号的识别和提取难度加大。

四、EMD时频分析方法在旋转机械耦合故障诊断中的应用针对上述挑战，EMD时频分析方法在旋转机械耦合故障诊断中具有以下应用：1. 提取故障特征：EMD方法能够将复杂信号分解为一系列具有不同特征尺度的IMF，从而有效地提取出故障信号的特征。

通过分析这些IMF，可以确定故障的类型和位置。

2. 噪声抑制：EMD方法具有一定的噪声抑制能力，可以有效地减少噪声对故障信号的干扰，提高诊断的准确性。

3. 实时监测与预警：结合EMD方法和传感器技术，可以实现旋转机械的实时监测和预警，及时发现潜在的故障问题，防止设备发生意外事故。